工事の変更指示がメールに埋もれる。AIで変更一覧を作るための準備

結論は、メールを体系的に分類し、AIが処理しやすい形に情報を抽出・整形することです。そのための第一歩は、受信した変更指示メールを「誰が受け取っているか」「どのフォルダに入っているか」を一覧化し、共通の保存形式に統一することです。まずは受信ルートの把握から始めましょう。

---

変更指示が埋もれる原因を整理する

メールの受信ルートを把握する

現場監督や設計担当、発注者など、複数の関係者がそれぞれ異なるメールアドレスで変更指示を受け取っているケースが多いです。まずは、誰がどのメールアドレスで指示を受け取っているかを一覧にします。部署別・役割別に受信フォルダを作成し、受信時に自動で振り分けるルールを設定すると、後から検索しやすくなります。

次に、受信したメールの件名や本文の書式がバラバラであることが原因で埋もれが起きます。件名に「変更指示」や日付、工事番号を必ず入れるという社内ルールを策定し、全員に周知させましょう。ルールが定着すれば、メール検索時にキーワードだけで抽出でき、AIへの入力データ作成がスムーズになります。

指示内容の共通項を見つける

変更指示メールには必ず含めるべき情報があります。たとえば「工事番号」「変更箇所」「実施日」「金額（未確定の場合は『未確定』と明記）」です。過去のメールをサンプルに取り、共通して記載されている項目と不足しがちな項目を洗い出します。

洗い出した項目を表形式にまとめ、社内のテンプレートとして配布します。テンプレートを使用すれば、メール作成時に抜けが減り、AIが自動抽出しやすくなるだけでなく、後から手作業で情報を補完する手間も削減できます。テンプレートはWordやメール署名に組み込むと便利です。

情報漏れのリスクを評価する

メールに埋もれたまま情報が抜け落ちると、工事の進行遅延やコスト増につながります。まずは 情報漏れが起きた具体的なケース（例：変更金額が未記載で請求が遅れた）を社内で共有し、リスクの大きさを可視化します。

リスク評価は、発生頻度と影響度を掛け合わせたマトリクスで行うと分かりやすいです。評価結果をもとに、**「メールの自動振り分け」や「必須項目チェックリスト」**といった対策を優先的に導入します。リスクが明確になると、AI導入の目的が具体化し、関係者の協力も得やすくなります。

---

AI活用前に整えるデータ基盤

メール保存形式を統一する

AIに入力させるデータは、一貫した形式で保存されていることが前提です。現在、PDF、Word、テキストファイルなど様々な形式で保存されている場合は、まずは統一フォーマットを決めます。たとえば、全ての変更指示はPDF化し、ファイル名に「工事番号_日付_変更指示.pdf」と付与するルールです。

統一した形式で保存すれば、AIがファイルを自動で読み取りやすくなります。また、保存先のフォルダ構造も「工事番号/年度/変更指示」のように階層化すると、検索やバックアップが容易です。フォルダ構造は社内の情報管理規程に合わせて設計し、担当者にマニュアルを配布しましょう。

必要項目の抽出項目表を作る

AIに指示一覧を生成させる際に必要なのは、抽出すべき項目の一覧です。先ほど洗い出した「工事番号」「変更箇所」「実施日」「金額」などを列挙した項目表（CSVやExcel）を作成します。項目表には、項目名、データ型（文字列・日付・数値）、必須フラグを明記します。

項目表を元に、メール本文から自動抽出するスクリプトやRPAツールの設定を行います。抽出結果は項目表通りにCSVに出力し、AIへの入力データとして利用します。項目表は変更があれば随時更新し、バージョン管理しておくと、将来的な拡張にも対応しやすくなります。

社内フローとAI連携を設計する

AIを導入するだけで業務が改善するわけではありません。変更指示が届いたら → データ抽出 → AIへ入力 → 一覧生成 → 承認という一連のフローを可視化し、担当者の役割とシステム連携ポイントを明確にします。

フロー図は簡易な手書きでも構いませんが、業務プロセス管理ツール（例：BPMNツール）で作成すると、後から自動化ツールと結びつけやすくなります。フローの中で「AIが生成した一覧は担当者が必ずチェックし、承認後に正式文書として保存する」など、ヒューマンチェックのポイントを必ず設けることが重要です。これにより、AIの誤出力リスクを低減できます。

---

AIに指示一覧を生成させる手順

プロンプト設計の基本を学ぶ

AIに指示一覧を作らせる際の鍵は、**適切なプロンプト（指示文）**です。プロンプトは「入力データの形式」「抽出すべき項目」「出力形式」を具体的に記述します。たとえば、"以下のCSVデータから工事番号、変更箇所、実施日、金額を抽出し、表形式で出力してください" のように書きます。

プロンプトは試行錯誤が必要です。まずは少量のサンプルデータでテストし、出力が期待通りか確認します。期待とずれた場合は、指示を細分化したり、例示データを添付したりしてプロンプトを改良します。IPAのガイドラインでは、AI利用時のリスクとして「不適切な指示による誤出力」を挙げているので、テスト段階で十分に検証することが推奨されています。

テストデータで精度を確認する

本格導入前に、過去の変更指示メールを抜粋し、テスト用データセットを作ります。テストデータは、実際に業務で扱う形式と同じ構造にし、項目表に沿って正解データ（期待される抽出結果）も用意します。

AIにテストデータを投入し、出力結果と正解データを比較して精度を評価します。導入の可否は、評価結果が自社の業務要件やリスク許容度に合致するかどうかを基準に判断し、必要に応じて抽出ロジックやプロンプトを調整します。テスト結果はスプレッドシート等で共有し、担当者全員が確認できるようにしておくことで、後続の改善作業を円滑に進められます。

本番運用と結果のレビュー方法

テストで満足できる精度が得られたら、本番環境で運用を開始します。運用開始時は、**「AIが生成した一覧は必ず担当者が目視で確認」**というチェック体制を設けます。確認後に承認印を付け、正式文書として保管します。

運用開始後は、毎月または変更指示が一定数たまったタイミングでレビュー会議を開き、AIの出力精度や業務フローの課題を議論します。レビュー結果は改善項目として項目表やプロンプトに反映させ、次回のテストサイクルに組み込みます。こうした継続的な改善プロセスが、AI活用の成功につながります。

---

導入後の運用と改善ポイント

定期的なデータクレンジング

AIは入力データの品質に大きく依存します。時間が経つと、古いメールや重複したファイルが蓄積し、抽出精度が低下する恐れがあります。半年に一度はデータクレンジングを実施し、不要なメールや重複ファイルを削除します。

クレンジング作業は、フォルダ構造やファイル名の規則に沿って自動化ツールで実行できます。削除対象は「完了済みで承認済みの変更指示」や「同一内容が複数保存されているもの」などです。クレンジング後は、項目表とAIの入力フォーマットが最新の状態に保たれ、継続的に正確な一覧が得られます。

担当者へのフィードバック体制

AIが生成した一覧に誤りがあった場合、担当者がすぐにフィードバックできる仕組みが必要です。具体的には、一覧を共有する際にコメント機能や修正依頼フォームを用意し、修正内容を記録します。

フィードバックは定期的に集計し、どの項目でミスが多いかを分析します。分析結果はプロンプトや抽出ロジックの改善に活かすだけでなく、社内研修の教材としても利用できます。担当者が改善に関与することで、AI導入への抵抗感が減り、運用が定着しやすくなります。

外部専門家への相談タイミング

AI導入にはセキュリティリスクや法的留意点があります。IPAのガイドラインは、**「生成AIのセキュリティリスクを評価し、適切な対策を講じる」**ことを推奨しています。社内だけで対策が難しいと感じたら、情報セキュリティの専門家やAIベンダーに相談するタイミングを決めておきます。

相談の目安は、以下のようなケースです：①AIの出力に重大な誤りが頻発する ②個人情報や取引先情報がメール本文に含まれる ③法令遵守や契約上の制約が不明確になる ④システム連携で新たな脆弱性が見つかった場合。専門家の助言を得て、必要な対策（アクセス制御やログ管理）を追加すれば、安心してAIを活用し続けられます。